CN111539938B - 一种轧带钢带头曲度检测方法、系统、介质及电子终端 - Google Patents

一种轧带钢带头曲度检测方法、系统、介质及电子终端 Download PDF

Info

Publication number
CN111539938B
CN111539938B CN202010338451.1A CN202010338451A CN111539938B CN 111539938 B CN111539938 B CN 111539938B CN 202010338451 A CN202010338451 A CN 202010338451A CN 111539938 B CN111539938 B CN 111539938B
Authority
CN
China
Prior art keywords
strip steel
strip
head
curvature
steel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010338451.1A
Other languages
English (en)
Other versions
CN111539938A (zh
Inventor
庞殊杨
王嘉骏
贾鸿盛
毛尚伟
王姝洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202010338451.1A priority Critical patent/CN111539938B/zh
Publication of CN111539938A publication Critical patent/CN111539938A/zh
Application granted granted Critical
Publication of CN111539938B publication Critical patent/CN111539938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30116—Casting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种轧带钢带头曲度检测方法、系统、电子设备及介质，方法包括：获取带钢图像信息；根据带钢图像信息对基于深度学习的神经网络进行训练，获取用于识别带钢位置的目标检测模型；采集轧钢现场的带钢图片，输入至目标检测模型，获取带钢位置信息；根据带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；根据轮廓信息获取最大轮廓的最小外接矩形；通过最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断；本发明实现无人工参与对带钢轧制场景下热轧带钢带头曲度的检测，兼具实时性和高精度的特点，降低了人工成本，提高了工作效率，同时也保证了检测的可靠性，提高了轧钢的质量，在实际热轧带钢的工业场景下，效果极佳。

Description

一种轧带钢带头曲度检测方法、系统、介质及电子终端
技术领域
本发明涉及冶金领域和图像处理领域，尤其涉及一种轧带钢带头曲度检测方法、系统、介质及电子终端。
背景技术
在热轧带钢的轧制过程中，受板坯上下表温差、上下辊径差、转速差以及变形速率等因素的影响，经常会造成带钢在轧制过程中，产生带头或扣头(翘头)的现象，从而影响轧钢的质量，因此需要及时对热轧带钢带头的曲度进行检测判断。
目前，在热轧带钢的轧制工作中，对热轧带钢带头的曲度的检测和判断仍依赖于人工目测的方式。在实际工作过程中，通常需要工作人员通过远程摄像机观察带钢的带头曲度来鉴定带钢的轧制情况，会存在着监管人员易疲劳、监管费用高、施工现场情况复杂容易发生漏检等一系列问题，因此，需要一种新的热轧带钢带头曲度检测方式，能够在保证检测准确的前提下，自动进行曲度检测，以克服上述技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种轧带钢带头曲度检测方法、系统、电子设备及介质，以解决上述技术问题。
本发明提供的轧带钢带头曲度检测方法，包括：
获取带钢图像信息；
根据所述带钢图像信息对基于深度学习的神经网络进行训练，获取用于识别带钢位置的目标检测模型；
采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；
根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；
根据所述轮廓信息获取最大轮廓的最小外接矩形；
通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断。
可选的，通过视频信息获取所述带钢图像信息，对所述视频信息进行切片处理，获取视频中的图片，并将所述图片调整至统一大小后，再按预设的比例将图片划分为训练集和测试集。
可选的，预先设置图像的感兴趣区域，所述带钢位置信息包括带钢各顶点的坐标，根据所述坐标获取带头的高度，完成带钢带头的定位，以及判定带钢带头是否进入所述感兴趣区域。
可选的，预设带头的平均宽度，再根据带钢位置信息带钢中两个对角顶点的纵坐标差，获取带钢带头的高度，进而完成对带钢带头的定位。
可选的，还包括对采集的轧钢现场的带钢图片进行预处理，所述预处理包括图像蒙版处理，所述蒙版处理包括在当前图层上面覆盖一层预设涂层。
可选的，所述预处理还包括通过如下公式对采集的带钢图片进行处理：
Figure BDA0002467451410000021
其中，g(x,y)为二值图像，f(x,y)为灰度图像，T为分割阈值，通过m×n的矩阵或二维数组表示灰度图像和二值图像，二值图像为像素灰度值只有0和255时的灰度图像，灰度图像为每个像素的R、G、B分量值相等时的彩色图像。
可选的，分别计算带钢的轮廓信息中的每个轮廓的面积，获取其中面积最大的轮廓，进而获取所述面积最大的轮廓的最小外接矩形，以及，所述最小外接矩形各顶点的坐标信息。
可选的，获取最小外接矩形的顶点的坐标信息与带钢上边界的距离，根据所述距离与带钢带头的曲度之间的负相关对应关系，获取带钢带头曲度的检测结果。
本发明还提供一种轧带钢带头曲度检测系统，包括：
图像采集模块，用于获取带钢图像信息；
目标检测模型，用于根据所述带钢图像信息对基于深度学习的神经网络进行训练，并根据训练后的模型对带钢位置进行识别；
定位模块，用于对带钢带头进行定位；
判断模块，用于对带钢带头曲度进行判断；
通过图像采集模块采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；定位模块根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；通过判断模块根据所述轮廓信息获取最大轮廓的最小外接矩形；通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断。
可选的，还包括图像处理模块，用于通过视频信息获取所述带钢图像信息，对所述视频信息进行切片处理，获取视频中的图片，并将所述图片调整至统一大小后，再按预设的比例将图片划分为训练集和测试集。
可选的，所述预处理模块，用于进行图像蒙版处理，所述蒙版处理包括在当前图层上面覆盖一层预设涂层。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。
本发明的有益效果：本发明中的轧带钢带头曲度检测方法、系统、介质及电子终端，通过在实际带钢的轧制场景下对带钢带头曲度进行实时、精确的智能检测，避免了人工检测带来的对热轧带钢带头曲度检测的不便、不精问题，实现无人工参与对带钢轧制场景下热轧带钢带头曲度的检测，兼具实时性和高精度的特点，降低了人工成本，提高了工作效率，同时也保证了检测的可靠性，进而提高了热轧带钢的质量，在实际热轧带钢的工业场景下，效果极佳。
附图说明
图1是本发明实施例中轧带钢带头曲度检测方法的流程示意图。
图2是本发明实施例中轧带钢带头曲度检测方法的采集图片示意图。
图3是本发明实施例中轧带钢带头曲度检测方法的曲度检测效果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
如图1所示，本实施例中的轧带钢带头曲度检测方法，包括：
获取带钢图像信息；
根据所述带钢图像信息对基于深度学习的神经网络进行训练，获取用于识别带钢位置的目标检测模型；
采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；
根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；
根据所述轮廓信息获取最大轮廓的最小外接矩形；
通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断。
在本实施例中，首先采集轧钢现场的热轧带钢图片，获取数据集，图片如图2所示，再通过基于深度学习的神经网络对数据集进行训练得到识别带钢位置的目标检测模型，将所需识别检测的图片大小调整为a×b，根据目标检测模型识别的带钢位置的结果，获取带钢的左上顶点坐标与右下顶点坐标，当右下顶点的横坐标在c～d之间，确定带头已到达提前设定好的ROI区域。设定带头的平均宽度为e，以目标检测模型识别的带钢右下顶点作为带头的右下顶点，由带钢左上顶点与右下顶点的纵坐标差得到带头的高度，即可对带钢带头进行定位。再将带钢带头进行图像预处理及轮廓检测，获取最大轮廓的最小外接矩形；以目标检测模型识别的带钢左上顶点的纵坐标作为带钢的上边界，计算获取的最大轮廓的最小外接矩形的右上顶点与带钢上边界的距离，对带钢带头曲度进行实时检测。
在本实施例中，热轧带钢图片的获取可以通过远程摄像机在轧钢现场拍摄视频，再将视频进行切片处理，以一定的帧率提取视频中的图片，将图片调整到统一大小，并按照一定的比例将图片划分为训练集和测试集。
在本实施例中，目标检测模型通过利用热轧带钢图像训练集通过神经网络和深度学习的方式进行训练得到，目标检测模型主要用于获取热轧带钢的位置信息，其步骤包括：基于SSD_Mobilenet目标检测神经网络结构，将数据集进行有监督式的训练，输出基于SSD_Mobilenet神经网络对热轧带钢进行检测、定位的模型。
在本实施例中，在机器视觉、图像算法的应用场合中，一张图像处理的目标位置往往相对固定，这个目标区域称为ROI区域(region of interest，感兴趣区域)。通过先验信息定义图像的ROI区域，作为机器视觉、图像处理中关注的重点，可以简化、专注工作过程，减小算法的复杂度，提高算法的效率和鲁棒性。本实施例中，将图像宽度像素处于c～d之间，高度像素处于0～b之间的区域设定为识别带钢的ROI区域。将所需识别检测的图片大小调整为a×b，根据目标检测模型识别的带钢的左上顶点坐标(xmin,ymax)与右下顶点坐标(xmax,ymin)，当xmin>c且xmin<d时，确定带头已到达提前设定好的ROI区域。
在本实施例中，对带钢带头的图像预处理的步骤包括图像蒙版处理，灰度图和图像二值化处理。其中，图像蒙版是在当前图层上面覆盖一层预设涂层，使能够更快速的提取感兴趣目标区域。在本实施例中，将钢带头区域之外添加空白蒙版，只对钢带头区域进行灰度图、图像二值化处理及轮廓识别、筛选等操作，有效地提升了算法的效率和速度。
在本实施例中，图像二值化处理作为快速区分目标和背景、提取出感兴趣的目标的简单方式，其公式如下
Figure BDA0002467451410000051
其中，设灰度图像和二值图像都由一个m×n的矩阵(或二维数组)表示,其中灰度图像是每个像素的R、G、B分量值相等时的彩色图像，二值图像是像素灰度值只有0和255时的灰度图像,分别记灰度图像为f(x,y)，二值图像为g(x,y)。对于灰度图像来说，图像二值化就是将其中灰度值大于分割阈值T的像素设置成1(纯白色)，将灰度值小于等于这个阈值的像素设置成0(纯黑色)。
在本实施例中，获取最大轮廓的最小外接矩形的步骤包括，利用轮廓检测将所有检测到的轮廓，并计算中每一个轮廓所包含的面积，比较轮廓的面积，获取面积最大的轮廓，然后取该轮廓的最小外接矩形，获取该矩形的位置信息(x,y,w,h)，其中(x,y)是矩形左上顶点的坐标，w是矩阵的宽,h是矩形高。轮廓检测旨在提取图像中目标与背景环境的分界线，使得计算机能直接从数据中学习到特征，可选的，本实施例采用基于二值图像的轮廓检测算法，能够对识别带头的ROI区域中的轮廓进行快速、准确的检测。
计算获取的所有轮廓的面积，再通过如下公式获得最大面积的轮廓:
Figure BDA0002467451410000052
其中，f(x)即给定参数的点集，argmax f(x)是给定点集中的最大值。
将最大轮廓进行水平最小外接矩形的计算，最终得到该矩形的位置信息(x,y,w,h)，其中(x,y)是矩形左上顶点的坐标，w是矩阵的宽,h是矩形高，同时可得到矩形右上顶点的坐标(x+w,y)。
根据目标检测模型识别的带钢的左上顶点坐标(xmin，ymax)与右下顶点坐标(xmax，ymin)，以带钢左上角顶点的纵坐标ymax作为热轧带钢的上边界，计算最大轮廓最小水平外接矩形的右上顶点(x+w,y)与热轧带钢上边界ymax的距离，计算公式如下：
d＝ymax-y 式(3)
其中，d是最大轮廓外接矩形的右上顶点与热轧带钢上边界的距离。
在本实施例中，对现场拍摄获取的热轧带钢数据集基于目标检测神经网络进行监督式训练，并取检测率最高的模型作为最优模型。调整待识别的图像大小，利用目标检测模型进行热轧带钢的定位，获取带钢的左上顶点坐标和右下顶点坐标，同时以左上顶点坐标和右下顶点的纵坐标差作为带头的高度。在判断已到达带钢带头识别的ROI区域后，设定带头的平均宽度，以带钢的右下顶点坐标作为带头的右下顶点坐标，同时已得到带头的高度，即可对带头进行定位。通过将带头部分进行图像预处理进行轮廓检测，获取最大轮廓的水平最小外接矩形。计算最小外接矩形的右上顶点与热轧带钢上边界的距离，依据距离越大，曲度越小的对应关系，最终输出带钢带头曲度的智能检测结果。
相应的，本实施例还提供一种轧带钢带头曲度检测系统，包括：
图像采集模块，用于获取带钢图像信息；
目标检测模型，用于根据所述带钢图像信息对基于深度学习的神经网络进行训练，并根据训练后的模型对带钢位置进行识别；
定位模块，用于对带钢带头进行定位；
判断模块，用于对带钢带头曲度进行判断；
通过图像采集模块采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；定位模块根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；通过判断模块根据所述轮廓信息获取最大轮廓的最小外接矩形；通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断。
在本实施例中，通过判断模块调整待识别图片大小为a×b,根据目标检测模型识别的带钢位置的结果，获取带钢的左上顶点、右下顶点坐标，当右下顶点的横坐标在c～d像素之间，确定带头已到达提前设定好的ROI区域。通过定位模块设定带头的平均宽度为e像素，由判断模块得到的带钢右下顶点作为带头的右下顶点，以带钢左上顶点与右下顶点的纵坐标差得到带头的高度，即可对带钢带头进行定位。
在本实施例中，还包括预处理模块，通过预处理对热轧带钢带头部分进行图片蒙版、灰度化、二值化处理以及轮廓检测。图像蒙版是在当前图层上面覆盖一层预设涂层，使能够更快速的提取感兴趣目标区域。本发明将钢带头区域之外添加空白蒙版，只对钢带头区域进行灰度图、图像二值化处理及轮廓识别、筛选等操作，有效地提升了算法的效率和速度。通过预处理后进而通过判断模块获取最大轮廓的水平最小外接矩形，计算该矩形的右上顶点与热轧带钢上边界的距离。再根据距离与热轧带钢带头曲度之间存在的负相关对应关系，将距离对应为热轧带钢带头曲度，最终输出对带钢带头曲度的检测结果。
在本实施例中，将所需识别检测的图片大小调整为a×b，根据目标检测模型识别的带钢的左上顶点坐标(xmin,ymax)与右下顶点坐标(xmax,ymin)，当xmin>c且xmin<d时，确定带头已到达提前设定好的ROI区域。通过上述式(1)(2)(3)最大轮廓水平最小外接矩形的右上顶点(x+w,y)与热轧带钢上边界ymax的距离d与热轧带钢带头的曲度存在负相关的对应关系，即距离越大，曲度越小；距离越小，曲度越大。根据距离d可对带头的曲度进行对应，最终输出对带钢带头曲度的检测结果。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，说明书对“本实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。说明书描述了部件、特征、结构或特性“可以”、“或许”或“能够”被包括，则该特定部件、特征、结构或特性“可以”、“或许”或“能够”被包括，则该特定部件、特征、结构或特性不是必须被包括的。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (11)

1.一种轧带钢带头曲度检测方法，其特征在于，包括：
获取带钢图像信息；
根据所述带钢图像信息对基于深度学习的神经网络进行训练，获取用于识别带钢位置的目标检测模型；
采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；
根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；
根据所述轮廓信息获取最大轮廓的最小外接矩形，具体包括分别计算带钢的轮廓信息中的每个轮廓的面积，获取其中面积最大的轮廓，进而获取所述面积最大的轮廓的最小外接矩形，以及，所述最小外接矩形各顶点的坐标信息；
通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断，具体包括获取最小外接矩形的顶点的坐标信息与带钢上边界的距离，根据所述距离与带钢带头的曲度之间的负相关对应关系，获取带钢带头曲度的检测结果，以对带钢带头曲度进行判断。
2.根据权利要求1中的轧带钢带头曲度检测方法，其特征在于，通过视频信息获取所述带钢图像信息，对所述视频信息进行切片处理，获取视频中的图片，并将所述图片调整至统一大小后，再按预设的比例将图片划分为训练集和测试集。
3.根据权利要求2中的轧带钢带头曲度检测方法，其特征在于，预先设置图像的感兴趣区域，所述带钢位置信息包括带钢各顶点的坐标，根据所述坐标获取带头的高度，完成带钢带头的定位，以及判定带钢带头是否进入所述感兴趣区域。
4.根据权利要求3中的轧带钢带头曲度检测方法，其特征在于，预设带头的平均宽度，再根据带钢位置信息带钢中两个对角顶点的纵坐标差，获取带钢带头的高度，进而完成对带钢带头的定位。
5.根据权利要求2中的轧带钢带头曲度检测方法，其特征在于，还包括对采集的轧钢现场的带钢图片进行预处理，所述预处理包括图像蒙版处理，所述蒙版处理包括在当前图层上面覆盖一层预设涂层。
6.根据权利要求5中的轧带钢带头曲度检测方法，其特征在于，所述预处理还包括通过如下公式对采集的带钢图片进行处理：
Figure FDA0003859781270000021
其中，g(x,y)为二值图像，f(x,y)为灰度图像，T为分割阈值，通过m×n的矩阵或二维数组表示灰度图像和二值图像，灰度图像为每个像素的R、G、B分量值相等时的彩色图像。
7.一种轧带钢带头曲度检测系统，其特征在于，包括：
图像采集模块，用于获取带钢图像信息；
目标检测模型，用于根据所述带钢图像信息对基于深度学习的神经网络进行训练，并根据训练后的模型对带钢位置进行识别；
定位模块，用于对带钢带头进行定位；
判断模块，用于对带钢带头曲度进行判断；
通过图像采集模块采集轧钢现场的带钢图片，输入至所述目标检测模型，获取带钢位置信息；定位模块根据所述带钢位置信息对带钢带头进行定位，并获取带钢的轮廓信息；通过判断模块根据所述轮廓信息获取最大轮廓的最小外接矩形；通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断；
其中，根据所述轮廓信息获取最大轮廓的最小外接矩形，具体包括分别计算带钢的轮廓信息中的每个轮廓的面积，获取其中面积最大的轮廓，进而获取所述面积最大的轮廓的最小外接矩形，以及，所述最小外接矩形各顶点的坐标信息；
通过所述最小外接矩形与带钢上边界之间的距离，对带钢带头曲度进行判断，具体包括获取最小外接矩形的顶点的坐标信息与带钢上边界的距离，根据所述距离与带钢带头的曲度之间的负相关对应关系，获取带钢带头曲度的检测结果，以对带钢带头曲度进行判断。
8.根据权利要求7所述的轧带钢带头曲度检测系统，其特征在于，还包括图像处理模块，用于通过视频信息获取所述带钢图像信息，对所述视频信息进行切片处理，获取视频中的图片，并将所述图片调整至统一大小后，再按预设的比例将图片划分为训练集和测试集。
9.根据权利要求8所述的轧带钢带头曲度检测系统，其特征在于，还包括预处理模块，用于进行图像蒙版处理，所述蒙版处理包括在当前图层上面覆盖一层预设涂层。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至6中任一项所述方法。
11.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至6中任一项所述方法。
CN202010338451.1A 2020-04-26 2020-04-26 一种轧带钢带头曲度检测方法、系统、介质及电子终端 Active CN111539938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010338451.1A CN111539938B (zh) 2020-04-26 2020-04-26 一种轧带钢带头曲度检测方法、系统、介质及电子终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010338451.1A CN111539938B (zh) 2020-04-26 2020-04-26 一种轧带钢带头曲度检测方法、系统、介质及电子终端

Publications (2)

Publication Number Publication Date
CN111539938A CN111539938A (zh) 2020-08-14
CN111539938B true CN111539938B (zh) 2022-12-16

Family

ID=71975513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010338451.1A Active CN111539938B (zh) 2020-04-26 2020-04-26 一种轧带钢带头曲度检测方法、系统、介质及电子终端

Country Status (1)

Country Link
CN (1) CN111539938B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053336B (zh) * 2020-08-31 2023-05-26 中冶赛迪信息技术(重庆)有限公司 一种棒材对齐检测方法、系统、设备及介质
CN112037194B (zh) * 2020-08-31 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种冷床乱钢检测方法、系统、设备及介质
CN112634200B (zh) * 2020-12-01 2024-06-11 宝武杰富意特殊钢有限公司 钢中带状组织评价方法
CN112712539B (zh) * 2020-12-30 2022-07-29 中冶赛迪重庆信息技术有限公司 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端
CN116309556B (zh) * 2023-05-15 2023-07-21 安徽数智建造研究院有限公司 一种基于机器视觉技术的钢构件成品质量管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003322513A (ja) * 2002-04-30 2003-11-14 Jfe Steel Kk 電縫溶接管のビード切削形状の計測方法および装置
CN102671961A (zh) * 2012-05-15 2012-09-19 山西太钢不锈钢股份有限公司 热轧带钢头部不冷段长度检测方法
CN103537486A (zh) * 2013-10-29 2014-01-29 首钢总公司 热轧开平板翘曲变形的控制方法
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法
CN108846831A (zh) * 2018-05-28 2018-11-20 中冶南方工程技术有限公司 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
WO2019154383A1 (zh) * 2018-02-06 2019-08-15 同方威视技术股份有限公司 刀具检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003322513A (ja) * 2002-04-30 2003-11-14 Jfe Steel Kk 電縫溶接管のビード切削形状の計測方法および装置
CN102671961A (zh) * 2012-05-15 2012-09-19 山西太钢不锈钢股份有限公司 热轧带钢头部不冷段长度检测方法
CN103537486A (zh) * 2013-10-29 2014-01-29 首钢总公司 热轧开平板翘曲变形的控制方法
CN106934813A (zh) * 2015-12-31 2017-07-07 沈阳高精数控智能技术股份有限公司 一种基于视觉定位的工业机器人工件抓取实现方法
WO2019154383A1 (zh) * 2018-02-06 2019-08-15 同方威视技术股份有限公司 刀具检测方法及装置
CN108846831A (zh) * 2018-05-28 2018-11-20 中冶南方工程技术有限公司 基于统计特征和图像特征相结合的带钢表面缺陷分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Contrast Pre-adjusted Defect Detection of Strip Steel Surface by Total Variation-based Image Decomposition;Kun Liu 等;《CSAI "18: Proceedings of the 2018 2nd International Conference on Computer Science and Artificial Intelligence》;20181208;327-333 *
Micro Surface Defect Detection Method for Silicon Steel Strip Based on Saliency Convex Active Contour Model;Kechen Song 等;《Mathematical Problems in Engineering》;20131222;1-14 *
一种带钢弯曲度测量控制装置;赖树明 等;《电子技术与软件工程》;20150406;107-109 *
冷轧机组厚度控制实现方式分析及应用;杨薇 等;《冶金自动化》;20150731;第39卷(第4期);25-31、51 *
基于主动式全景视觉传感器的管道内部缺陷检测方法;吴挺 等;《仪器仪表学报》;20151031;第36卷(第10期);2258-2264 *
基于图像处理的带钢运行监控系统;唐琛 等;《仪器仪表学报》;20090630;第30卷(第6期);412-416 *

Also Published As

Publication number Publication date
CN111539938A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111539938B (zh) 一种轧带钢带头曲度检测方法、系统、介质及电子终端
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN109815865B (zh) 一种基于虚拟水尺的水位识别方法及系统
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN111507976B (zh) 基于多角度成像的缺陷检测方法及系统
CN111640104B (zh) 一种螺钉装配的视觉检测方法
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
CN109444169A (zh) 一种轴承缺陷检测方法及系统
CN112767359B (zh) 复杂背景下的钢板角点检测方法及系统
CN115096206B (zh) 一种基于机器视觉的零件尺寸高精度测量方法
CN114240845B (zh) 一种应用于切削工件的光切法表面粗糙度测量方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN109063669B (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
CN111861979A (zh) 一种定位方法、设备及计算机可读存储介质
CN115937203A (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN116342519A (zh) 一种基于机器学习的图像处理方法
CN109671084B (zh) 一种工件形状的测量方法
CN109034058B (zh) 一种针对图像中区域划分和自修正方法和系统
CN112053333B (zh) 一种基于机器视觉的方坯检测方法、系统、设备及介质
CN113781523A (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN112419225B (zh) 一种基于引脚分割的sop型芯片检测方法及系统
CN112749735A (zh) 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
CN112308848A (zh) 一种废钢货车挡板状态识别方法、系统、电子设备及介质
CN111753572A (zh) 一种基于深度学习的复杂背景低质量二维条码检测方法
CN111161264A (zh) 一种对含有缺陷的tft电路图像的分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant